人脸识别在信息、身份鉴别、认证等多个方面有着显著的优势，逐渐演变为当前视觉以及模式识别等多个方面发展的焦点。本研究利用富士X-T30相机采集400张不同角度的人脸图像，除此之外，再辅以ORL人脸库进行研究分析。首先对人脸图像进行灰度化、中值滤波等预处理，然后对处理后的图片进行特征提取，先后使用BP（back propagation）神经网络、SVM（Support Vector Machine）支持向量机和DPL（Dictionary Pair Learning）开展识别工作，对BP中各层节点数，对SVM中核函数参数以及DPL中投影编码等进行调整，提高识别率。在本研究的最后阶段，研究比较以上不同算法得出的结果，我们最终发现，DPL算法的识别率优于其他两种算法。
目录
1. 选题背景 2
1.1 研究意义 2
1.2 国内外研究状况 2
1.2.1 国外研究现状 2
1.2.2 国内研究现状 3
1.3 研究的目的和内容 4
1.3.1 研究目的 4
1.3.2 研究内容 4
2 开发平台及应用原理 4
2.1 MATLAB简介 4
2.2 数据获取 4
2.2.1 ORL人脸数据库概述 4
2.2.2 自建学生人脸数据库 5
2.3 环境配置及系统技术路线 6
3 人脸图像预处理 7
3.1 灰度化处理 7
3.2 中值滤波 7
3.3 边缘增强 8
3.4 归一化处理 9
4 基于PCA的特征提取 10
4.1 PCA算法简介 10
4.1.1 KL变换原理 11
4.1.2 奇异值分解定理 11
4.2 特征脸提取 11
5 人脸识别 13
5.1 基于BP的人脸识别 13
5.1.1 BP简介 13
5.1.2 神经元的激励函数 14
5.1.3 神经网络的训练与学习 15
5.1.4 BP的实现与分析 16
5.2 基于S *51今日免费论文网|www.jxszl.com +Q: ￥351916072￥ 
VM的人脸识别 21
5.2.1 SVM简介 21
5.2.2 线性分类 21
5.2.3 非线性分类函数 22
5.2.4 核函数 22
5.2.5 SVM的实现与分析 23
5.3 基于DPL的人脸识别 26
5.3.1 DPL简介 26
5.3.2 判别字典学习 26
5.3.3 投影字典对学习 27
5.3.4 DPL的实现与分析 27
5.4 三种识别算法比较分析 31
6 系统的实现与分析 34
7 总结与展望 38
7.1 总结 38
7.2 展望 38
致谢 41
参考文献 42
插图索引
图 1 ORL人脸库部分人脸图像 5
图 2 部分自制人脸库 5
图 3 人脸识别系统流程图 6
图 4 人脸识别系统技术路线 6
图 5 灰度化流程 7
图 6 原图像与中值滤波后的效果对比图 8
图 7 原图像与边缘增强的效果对比 9
图 8 直方图均衡化 10
图 9 PCA算法提取特征脸流程 12
图 10 平均脸 13
图 11 特征脸 13
图 12 三层BP神经网络的拓扑结构 14
图 13 阈值型变换函数 14
图 14 非线性函数 15
图 15 分段线性变换函数 15
图 16 BP神经网络识别流程图 16
图 17 BP参数设置 17
图 18 训练结果 17
图 19 测试结果1 18
图 20 测试结果2 19
图 21 测试结果3 20
图 22 支持向量机的分类原理图 21
图 23 线性可分型训练集 22
图 24 线性不可分型训练集 22
图 25 识别率与参数c取值的关系图 23
图 26 测试结果1 24
图 27 测试结果2 25
图 28 测试结果3 26
图 29 测试结果1 28
图 30 测试结果2 29
图 31 测试结果3 30
图 32 系统使用界面 35
图 33 进行数据采集 35
图 34 进行特征提取 35
图 35 训练参数设置 36
图 36 人脸识别结果 36
图 37 查询结果 37
表格索引
表 1 BP算法的测试结果 17
表 2 SVM算法的测试结果 20
表 1 BP算法的测试结果 21
表 2 SVM算法的测试结果 26
表 3 DPL算法的测试结果 31
表 4 ORL人脸库的实验结果1 31
表 5 ORL人脸库的实验结果2 31
表 6 ORL人脸库的实验结果3 32
表 7 自建人脸库的实验结果1 32
表 8 自建人脸库的实验结果2 33
表 9 自建人脸库的实验结果3 33
表 10 算法对比结果1 33
表 11 算法对比结果2 34
表 12 算法对比结果3 34
基于机器视觉的人脸识别算法比较研究

原文链接：http://www.jxszl.com/jsj/wljs/563974.html